Cambio Climático e Impacto Sobre La BDV.02

Cambio climtico y su

impacto sobre la

biodiversidadbiodiversidad

J. Rubiano KCL, UK y

A. Jarvis y J. Ramirez - CIAT,

Colombia

Contenido

1. Biodiversidad

2. Cambio Climtico

3. Impacto

Biodiversidad

Agro-

biodiversidad

1. BIODIVERSIDAD

Source: http://www.brazadv.com/images/biodiversity.bmp

FRESHWATER FISH

AMPHIBIANS

Global patterns of endemism richness (ER; range equivalents per 10,000 km2) for (A) vascular plants, (B) terrestrial vertebrates, (C) amphibians, (D) reptiles, (E) birds, and (F)

mammals across 90 biogeographic regions

Kier G et al. PNAS 2009;106:9322-9327

2009 by National Academy of Sciences

HABITAT LOST -PRE HUMAN TO 2001

Source: www.ambiotek.com/tropicalhydrology

2. CAMBIO CLIMATICO

Qu est pasando con el clima?

24.0

24.5

25.0

25.5

26.0

26.5

27.0

27.5

T

e

m

p

e

r

a

t

u

r

a

m

e

d

i

a

a

n

u

a

l

(

C

)

Temperatura media anual (C)

Datos histricos y proyeccin de

Precipitacin y Temperatura

2600

2650

2700

2750

2800

2850

2900

2950

P

r

e

c

i

p

i

t

a

c

i

n

t

o

t

a

l

a

n

u

a

l

(

m

m

)

Precipitacin total anual (mm)

Colombia+3.1C+8.1%

23.0

23.5

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Ao

T

e

m

p

e

r

a

t

u

r

a

m

e

d

i

a

a

n

u

a

l

(

C

)

Tendencia temporal

Intervalo de confianza (95%)

2500

2550

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090

Ao

P

r

e

c

i

p

i

t

a

c

i

n

t

o

t

a

l

a

n

u

a

l

(

m

m

)


Tendencia temporal


650

670

690

710

730

750

770

790

810

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090

Ao

P

r

e

c

i

p

i

t

a

c

i

n

t

o

t

a

l

a

n

u

a

l

(

m

m

)


Tendencia temporal


6.0

7.0

8.0

9.0

10.0

11.0

12.0

1870 1890 1910 1930 1950 1970 1990 2010 2030 2050 2070 2090Ao

T

e

m

p

e

r

a

t

u

r

a

m

e

d

i

a

a

n

u

a

l

(

C

)

Temperatura media anual (C)

Tendencia temporal


Mundo +4.5C+14%

Una mirada ms detallada en Amrica Latina

Mtodo

Diferencias del promedio (Anomalies) (1950-2000 a 2040-2069) de

17 GCMs.

Diferencias en Temperatura y precipitacin comparadas para todos

los 17 GCMs

Escenarios analizados incluyeron el promedio, peor caso y mejor

caso

Desacuerdos entre modelos e incertidumbre fueron analizados

Estacionalidad y cambio comparados

bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63cnrm_cm3

Temperature change AR4-A2a (1961-90) to 2050 10 of 17 different GCMs

csiro_mk3_0 gfdl_cm2_0 giss_aom hccpr_hadcm3gfdl_cm2_1

Climate data source : Ramirez, J.; Jarvis, A. 2008. High Resolution Statistically Downscaled Future Climate Surfaces. International

Centre for Tropical Agriculture, CIAT. Available at: http://gisweb.ciat.cgiar.org/GCMPage/home.html

All GCMS agree warming.

There is some consistency in the pattern of warming for the Andes but all

GCMs disagree elsewhere....

C

Precipitation change AR4-A2a (1961-90) to 2050 17 different GCMs

bccr_bcm2_0 cccma_cgcm2 cccma_cgcm3_1 cccma_cgcm3_t_t63 cnrm_cm3

csiro_mk3_0gfdl_cm2_0 giss_aom hccpr_hadcm3

gfdl_cm2_1

Data source : Ramirez, J.; Jarvis, A. 2008. High Resolution Statistically Downscaled Future Climate Surfaces. International Centre

for Tropical Agriculture, CIAT. Available at: http://gisweb.ciat.cgiar.org/GCMPage/home.html

For precipitation there is disagreement on the direction of change as well

as the magnitude. All models indicate wetting in the Andes...

mm/yr

Change AR4 A2a (1961-90) to 2050 mean of 17 different GCMs

1. Temperature increases least on the coast (

Pessimist AR4 A2a (1961-90) to 2050 worst case of 17 different GCMs in each pixel

1. Worst case = highest temperature increase

2. Worst case temperature 8 C except coasts

3. Guyana shield especially prone to high change

mm/yr

C

1. Worst case = greatest rainfall decrease

2. Andes generally showing increase, rarely decrease

3. Significant drying in forested NE Amazon

Optimist AR4 A2a (1961-90) to 2050 best case of 17 different GCMs in each pixel

1. Best case = lowest temperature increase

2. For NW Amazon best case is liitle change,

slight cooling

3. Central (dry) Andes even best case is 2 C

warming

mm/yr

C

1. Best case = greatest increase in precip

2. For most areas greatest increase 200 mm/yr

3. A few areas in Andes/Amazon with

significant increases

Uncertainty AR4 A2a (1961-90) to 2050 SD of 17 different GCMs in each pixel

1. Standard deviation (SD) of results for 17

GCMs used as a measure of uncertainty

2. Low temperature uncertainty at high

latitudes, coasts and mountains

3. Much greater certainty (low variability

between model predictions) in the Andes

mm/yr

C

1. Low rainfall uncertainty in S and SE and

parts of Andes

2. Much greater uncertainty in NE Brazil and

Amazons

En Sntesis, Que pasar?

Nadie sabe con certeza, depender del sitio pero en general se prev que en

Amrica Latina.

Ser ms caliente y hmedo aunque cada modelo predictivo presenta

patrones diferentes

Para Amrica Latina, el promedio de 17 modelos nos dicen que ser ms

caliente en las tierras bajas.caliente en las tierras bajas.

Mas hmedo en las partes altas de la regin Andina.

En el peor escenario, ser entre 6-8 C ms caliente y entre 200 a 600

mm/ao ms hmedo en el suroccidente y entre 600 a 1000 mm/ao ms

seco en el nororiente.

En el mejor caso 2 C ms clido en los altos Andes, menos que este valor

en el resto y un incremento de al menos 200mm/ao en toda la regin.

La incertidumbre de los cambios en temperatura es ms alta en la

Amazonia en comparacin con los Andes, y

La incertidumbre en cambios en la precipitacin, aunque se predice un

patrn muy complejo, es mucho mayor en la regin norte.

AGROBIODIVERSITY

Massive loss of agrobiodiversity

FAO (1998) estimates that since the beginning of this century, about 75% of the genetic diversity of agricultural crops has been lost.

In China, for example, nearly 10,000 wheat varieties were cultivated in 1949. By the 1970s, only about 1,000 varieties were still in use (FAO 1996). were still in use (FAO 1996).

In Mexico, only 20% of the maize varieties reported in 1930 are now known in the country (FAO 1996).

In Germany about half of the plant species in pastures have been lost (Isselstein 2003)

In south Italy about 75% of crop varieties have disappeared (Hammer et al. 2003).

70

80

90

100

P

o

r

c

e

n

t

a

j

e

d

e

r

e

a

c

o

n

c

a

m

b

i

o

Cambio en temperatura mayor a 2.5C

Cambio en ppt mayor 3%

50-60% of Colombian producers are small

28.6% of the agricultural area in Colombia is above 1200masl

Permanent crops (66.4% of AgGDP in 2007) are severely affected

There are vulnerabilities throughout the agricultural sector

0

10

20

30

40

50

60

C

a

a

d

e

a

z

c

a

r

C

a

f

M

a

z

P

l

t

a

n

o

n

o

e

x

p

o

r

t

a

b

l

e

C

a

a

p

a

n

e

l

a

F

r

u

t

a

l

e

s

P

a

p

a

Y

u

c

a

A

r

r

o

z

t

o

t

a

l

P

a

l

m

a

a

f

r

i

c

a

n

a

C

a

c

a

o

P

o

r

c

e

n

t

a

j

e

d

e

r

e

a

c

o

n

c

a

m

b

i

o

Fuente: CIAT, 2009 Slide by Andy Jarvis (CIAT)

Cmo anticipar el impacto?

Diversos mtodos con caractersticas comunes:

Usan datos ambientales de entrada

Relativmente flexibles Relativmente flexibles

Fcilmente aplicables

Verstiles por sistema productivo/cultivo

Permiten incorporacin de ms datos si estn

disponibles

Cmo se evala entonces el

impacto?

Si sabemos:

1. La distribucin de clima actual

2. El desempeo actual de los cultivos

3. Que existe una relacin entre los dos anteriores

Clima

actual Clima

futuro

R

e

l

a

c

i

n

Clave en

investigacin

VARIABLES

*19 ndices

bioclimticos

*Temperaturas y

precipitacin

mensuales 3. Que existe una relacin entre los dos anteriores

4. El clima futuro ms probable

Entonces podemos:

1. Cuantificar la relacin entre clima y desempeo de cultivos actual

2. Proyectar la relacin hasta el futuro ms probable

Cultivo actual

Rendimiento, presin de

plagas, enfermedades, etc

Cultivo futuro

R

e

l

a

c

i

n

Rendimiento, presin de

plagas, enfermedades,

etc

mensuales

*Suelos (si

disponible)

*Lluvias diarias

satelitales

*Cambios en

vegetacin cada 16

das (satelitales)

Metodos para evaluar el impacto

Analisis de Interacciones Genotipo X Ambiente

(GxE)

EcoCrop

Mxima Entropia Mxima Entropia

Peso de Evidencia (CaNaSTA)

DSSAT

Cmo se evala entonces el

impacto?

3. MaxEnt: modelos de nicho ecolgico

(probabilidad de presencia)

Evidencia

de

Variables

ambientales

Modelo

probabilstico

multivariadoDistribucin

probabilstica de

presencia

ambientales

Distribucin de

probabilidad

alrededor de

cada variable

multivariadoprobabilstica

potencial

Impactos en productividad y

adaptabilidad de cultivos: ejemplos

50 cultivos ms importantes segn FAOCrop Species

Area

Harvested

(k Ha)

Alfalfa Medicago sativa L. 15214

Apple Malus sylvestris Mill. 4786

Banana Musa acuminata Colla 4180

Barley Hordeum vulgare L. 55517

Natural rubber Hevea brasiliensis (Willd.) 8259

Oats Avena sativa L. 11284

Oil palm Elaeis guineensis Jacq. 13277

Olive Olea europaea L. 8894

Onion Allium cepa L. v cepa 3341

Oranges Citrus sinensis (L.) Osbeck 3618

Pea Pisum sativum L. 6730

Pigeon pea Cajanus cajan (L.) Mill ssp 4683Common Bean Phaseolus vulgaris L. 26540

Common buckwheat Fagopyrum esculentum Moench 2743

Cabbage Brassica oleracea L.v capi. 3138

Cashew nuts Anacardium occidentale L. 3387

Cassava Manihot esculenta Crantz. 18608

Chick pea Cicer arietinum L. 10672

Clover Trifolium repens L. 2629

Cocoa bean Theobroma cacao L. 7567

Coconut Cocos nucifera L. 10616

Coffee Coffea arabica L. 10203

Cotton Gossypium hirsutum L. 34733

Cow peas Vigna unguiculata unguic. L 10176

Grapes Vitis vinifera L. 7400

Groundnut Arachis hypogaea L. 22232

Lentil Lens culinaris Medikus 3848

Linseed Linum usitatissimum L. 3017

Maize Zea mays L. s. mays 144376

Mango Mangifera indica L. 4155

Millet Panicum miliaceum L. 32846

Natural rubber Hevea brasiliensis (Willd.) 8259

Pigeon pea Cajanus cajan (L.) Mill ssp 4683

Plantain bananas Musa balbisiana Colla 5439

Potato Solanum tuberosum L. 18830

Rapeseed Brassica napus L. 27796

Rice Oryza sativa L. s. japonica 154324

Rye Secale cereale L. 5994

Perennial reygrass Lolium perenne L. 5516

Sesame seed Sesamum indicum L. 7539

Sorghum Sorghum bicolor (L.) Moench 41500

Perennial soybean Glycine wightii Arn. 92989

Sugar beet Beta vulgaris L. v vulgaris 5447

Sugarcane Saccharum robustum Brandes 20399

Sunflower Helianthus annuus L v macro 23700

Sweet potato Ipomoea batatas (L.) Lam. 8996

Tea Camellia sinensis (L) O.K. 2717

Tobacco Nicotiana tabacum L. 3897

Tomato Lycopersicon esculentum M. 4597

Watermelon Citrullus lanatus (T) Mansf 3785

Wheat Triticum aestivum L. 216100Yams Dioscorea rotundata Poir. 4591



Cultivos de mandato del CIAT: frjol arbustivo



Cultivos CIAT: frjol voluble



DSSAT para evaluar cambio en rendimiento de

maz

Cambio a

2050

500

1000

1500

2500

>2500

2000

Yield kg ha-1

ACTUAL

P.G.Jones (CIAT)& P.K.Thornton (ILRI) (2003)

2000

Change kg-1

Suitability in

Cauca

Significant changes to

2020, drastic changes

to 2050

The Cauca case:

reduced coffeee

growing area and

changes in geographic

distribution. Some

new opportunities.

MESETA

Cmo enfrentar estas prdidas?

Compartir conocimiento, socializar el problema

Anticipar el impacto para priorizar:

Necesidades de mejoramiento gentico Necesidades de mejoramiento gentico

Necesidades de adaptacin sitio-especfico

Necesidades de conservacin de recursos genticos

Necesidades de cambios en sistemas productivos

Innovacin tecnolgica

Establecer polticas nacionales/internacionales al respecto

Gracias

Documents

Cambio Climático e Impacto Sobre La BDV.02